[发明专利]一种基于模糊神经网络的装备控制自主决策方法

权利要求书

1.一种基于模糊神经网络的装备控制自主决策方法，其特征在于，所述方法包括以下步骤：

S1：获取战场敌方目标数据，判断装备当前所处的情况域；

S2：按照输入输出结构对装备作战经验知识或者样本数据进行信息提取，形成装备控制规则库，通过模糊化方法转换成模糊规则形成模糊样本，构建模糊逻辑推理模型；

S3：选择隶属度函数对输入的情况域、目标距离、目标方位角、目标进入角数据进行模糊化处理，基于模糊样本，构建神经网络学习模型，采用BP算法对前件参数进行学习训练；

S4：通过模糊推理得到模糊输出，并通过S3优化出的前件参数，基于模糊样本，利用神经网络学习模型中的最小二乘算法对后件参数进行学习训练；

S5：将模糊输出解模糊化，获得控制信号，并控制对应设备工作，判定是否达到控制要求，如果达到则结束，否则返回至S1；

所述情况域包括信息保证、优势保证、攻击、防御和防御并攻击；其中，信息保证为：未发现目标，或只有测向信息；优势保证为：已发现目标，且有测向测距信息；

步骤S1具体为：获取战场敌方目标数据，根据所述目标数据与预设情况域规则，判断装备当前所处的情况域；

装备控制规则库中的装备控制规则为观测输入到结论输出的关系，具体包括：若干个观测项条件信息和与若干个条件信息相关联的结论项；

观测项包括情况域、目标距离、目标方位角和目标进入角；结论项包括机动方向、机动速度、雷达控制、武器控制和电子对抗控制；

所述模糊逻辑推理模型包括模糊化层、适用度层、归一化层、模糊输出层和总输出层；所述模糊逻辑推理模型的输入包括目标距离=[-500,500]、目标方位角= [-180,180]、目标进入角= [-180,180]，情况域={1-信息保证、2-优势保证、3-攻击、4-防御、5-防御并攻击目标}；输出包括机动方向={1-拉升、2-俯冲、3-左转、4-右转}，机动速度={1-加速、2-减速、3-均速}，雷达控制={1-不开、2-搜索、3-跟踪}，武器控制={1-不发射，2-发射}，电子对抗控制={1-侦察，2-干扰}；

步骤S3中，选择隶属度函数对输入的情况域、目标距离、目标方位角、目标进入角数据进行模糊化处理，具体为：将装备控制自主决策的输入变量数值变换成模糊语言变量的语言值；按照输入变量数据大小程度，将目标距离、目标方位角、目标进入角和情况域划分为5个模糊子集：正大、正小、零、负小、负大；其中：

隶属度函数采用高斯函数：

其中，为输入变量的模糊集，和 分别表示隶属度函数的中心和宽度，隶属度函数值,表示输入变量属于模糊集的程度。

2.如权利要求1所述的基于模糊神经网络的装备控制自主决策方法，其特征在于，步骤S3中，基于模糊样本，构建神经网络学习模型，采用BP算法对前件参数进行学习训练，具体包括：基于模糊样本，采用神经网络模型中的BP算法对隶属度函数的中心和宽度前件参数进行学习训练，并将前件参数反馈至模糊逻辑推理模型，对模糊化隶属度函数的形状进行优化更新。

3.如权利要求2所述的基于模糊神经网络的装备控制自主决策方法，其特征在于，步骤S4中，通过模糊推理得到模糊输出，具体为：

其中，为模糊规则的总个数，为输入量个数，为输出量个数，代表每条模糊规则的适用度，代表每条模糊规则的归一化适用度，代表每一条模糊规则的模糊输出；p_ij、r_i表示各条模糊规则输出的结论参数，也称为后件参数；x_j表示装备决策控制问题的输入变量，其中j=1,2,…,n，n为输入变量个数；为隶属度函数值，表示输入变量x属于模糊集的程度。

4.如权利要求3所述的基于模糊神经网络的装备控制自主决策方法，其特征在于，步骤S4中，基于模糊样本，利用神经网络模型中的最小二乘算法对后件参数进行学习训练，具体包括：基于模糊样本，采用神经网络模型中的最小二乘算法对后件参数进行学习训练，传递给模糊逻辑推理模型对模糊推理参数进行优化更新。